Codegemma 7b

🚀 CodeGemma

CodeGemma是基于Gemma构建的轻量级开源代码模型集合，提供了不同参数规模的变体，可用于代码补全、代码生成、代码对话和代码学习等多种场景，为开发者提供高效的代码处理能力。

🚀 快速开始

要在Hugging Face上使用CodeGemma，你需要查看并同意Google的使用许可。请确保你已登录Hugging Face，然后点击下方按钮。请求将立即处理。 确认许可

✨ 主要特性

• 多任务支持：支持代码补全、自然语言到代码生成、代码对话和指令跟随等多种任务。
• 多变体选择：提供20亿参数、70亿预训练和70亿指令微调等不同参数规模的变体，满足不同场景需求。
• 高性能表现：在多个编码和自然语言基准测试中表现出色。

📚 详细文档

模型信息

描述

CodeGemma是基于Gemma构建的轻量级开源代码模型集合。它包含文本到文本和文本到代码的仅解码器模型，有70亿参数的预训练变体（专注于代码补全和生成任务）、70亿参数的指令微调变体（用于代码对话和指令跟随）和20亿参数的预训练变体（用于快速代码补全）。

输入输出

• 输入：
  • 预训练模型变体：代码补全和生成场景的代码前缀和/或后缀，或自然语言文本或提示。
  • 指令微调模型变体：自然语言文本或提示。
• 输出：
  • 预训练模型变体：中间填充代码补全、代码和自然语言。
  • 指令微调模型变体：代码和自然语言。

模型数据

训练数据集

以Gemma为基础模型，CodeGemma 2B和7B预训练变体在额外的5000亿个主要为英语的令牌上进行了进一步训练，这些数据来自公开可用的代码库、开源数学数据集和合成生成的代码。

训练数据处理

采用了以下数据预处理技术：

• FIM预训练：专注于中间填充（FIM）任务，支持PSM和SPM模式，FIM率为80%，PSM/SPM比例为50-50。
• 基于依赖图和单元测试的打包技术：在项目/仓库级别构建训练示例，以提高模型与实际应用的对齐度。
• 文档拆分技术：开发了一种将文档拆分为前缀、中间和后缀的新技术，使后缀的起始点在语法上更加自然。
• 安全过滤：与Gemma类似，部署了严格的安全过滤，包括过滤个人数据、CSAM过滤和其他基于内容质量和安全的过滤。

实现信息

硬件

CodeGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

使用JAX和ML Pathways进行训练。

评估信息

评估方法

在多个领域的各种学术基准上对CodeGemma进行评估：

• 代码补全基准：HumanEval单行和多行填充。
• 代码生成基准：HumanEval、MBPP、BabelCode（C++、C#、Go、Java、JavaScript、Kotlin、Python、Rust）。
• 问答：BoolQ、PIQA、TriviaQA。
• 自然语言：ARC-Challenge、HellaSwag、MMLU、WinoGrande。
• 数学推理：GSM8K、MATH。

评估结果

编码基准

自然语言基准

伦理与安全

评估方法

评估方法包括结构化评估和内部红队测试，针对与伦理和安全相关的多个类别进行评估，包括：

• 人工评估：对涵盖内容安全和代表性危害的提示进行人工评估。
• 网络攻击能力测试：专门测试网络攻击能力，确保潜在危害得到限制。

评估结果

伦理和安全评估结果在可接受的阈值内，符合内部政策，如儿童安全、内容安全、代表性危害、记忆和大规模危害等类别。

模型使用与限制

预期用途

• 代码补全：预训练模型可用于通过IDE扩展完成代码。
• 代码生成：指令微调模型可用于生成代码，有无IDE扩展均可。
• 代码对话：指令微调模型可支持代码对话界面。
• 代码教育：指令微调模型支持交互式代码学习体验，帮助纠正语法或提供编码练习。

已知限制

大型语言模型（LLM）基于其训练数据和技术本身存在一定限制。有关LLM限制的更多详细信息，请参阅Gemma模型卡片。

伦理考虑与风险

大型语言模型（LLM）的开发引发了一些伦理问题。在这些模型的开发过程中，我们仔细考虑了多个方面。有关模型的详细信息，请参阅Gemma模型卡片中的相关讨论。

优势

在发布时，与同等规模的模型相比，该系列模型提供了高性能的专注于开源代码的大型语言模型实现，专为负责任的AI开发而设计。

💻 使用示例

基础用法

代码补全

from transformers import GemmaTokenizer, AutoModelForCausalLM

model_id = "google/codegemma-7b"
tokenizer = GemmaTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

prompt = '''\
<|fim_prefix|>import datetime
def calculate_age(birth_year):
    """Calculates a person's age based on their birth year."""
    current_year = datetime.date.today().year
    <|fim_suffix|>
    return age<|fim_middle|>\
'''

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
prompt_len = inputs["input_ids"].shape[-1]
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0][prompt_len:]))

代码生成

from transformers import GemmaTokenizer, AutoModelForCausalLM

tokenizer = GemmaTokenizer.from_pretrained("google/codegemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/codegemma-7b")

input_text = "Write me a Python function to calculate the nth fibonacci number."
input_ids = tokenizer(input_text, return_tensors="pt")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

高级用法

代码补全（带终止符）

FIM_PREFIX = '<|fim_prefix|>'
FIM_SUFFIX = '<|fim_suffix|>'
FIM_MIDDLE = '<|fim_middle|>'
FIM_FILE_SEPARATOR = '<|file_separator|>'

terminators = tokenizer.convert_tokens_to_ids([FIM_PREFIX, FIM_MIDDLE, FIM_SUFFIX, FIM_FILE_SEPARATOR])
terminators += [tokenizer.eos_token_id]

outputs = model.generate(
  **inputs,
  max_new_tokens=100,
  eos_token_id=terminators,
)

📄 许可证

本项目使用gemma许可证。